在當下數智化浪潮中，數據中心架構正經歷深度重塑。從GPU集群到網絡帶寬，從電力負載到能效管理，每一項設計都在被重新定義。

近日，IT媒體《Datacenter Knowledge》發(fā)布報道指出，MLPerf基準測試正在成為全球智能基礎設施評估與數據中心設計的重要依據。

為何這么說？我們一起來看

MLPerf：智算時代的共同性能語言

隨著機器學習和智能應用日漸普及，如何衡量智能訓練在不同硬件與軟件環(huán)境下的表現，成為了數據中心設計中的核心議題。

在這一背景下，MLPerf（Machine Learning Performance）作為全球機器學習性能標準應運而生，自2018年推出以來，MLPerf Training基準測試迅速成為衡量智能訓練性能的核心工具，幫助數據中心專業(yè)人士基于真實數據做出基礎設施決策，從而契合不斷演進的工作負載需求。

MLPerf由MLCommons.org維護，成員包括戴爾科技集團、Meta、Google、NVIDIA、Intel、Microsoft等125家企業(yè)與研究機構。其核心使命，是讓智能系統(tǒng)的性能比較“既公平，又有意義”。

RISC芯片先驅，MLCommons負責人David Patterson指出，智能訓練已成為一種“超級計算問題”，而評估的標準必須兼顧多架構、多軟件棧與多場景。

因此，MLPerf Training通過統(tǒng)一任務、數據集與精度目標，為各類系統(tǒng)提供了可重復、可驗證的對比基礎。

正如《Datacenter Knowledge》所說：“MLPerf已不僅是性能測試工具，更成為數據中心架構師的決策指南。”

從MLPerf Storage v2.0看存儲系統(tǒng)如何選擇

在MLPerf Training成為衡量計算性能的重要參考之后，業(yè)界也開始意識到，智能訓練不僅是算力的挑戰(zhàn)，更是存儲系統(tǒng)能力的試金石。

尤其在訓練規(guī)模快速擴張的今天，如何支撐長時間、高頻次、分布式的訓練任務，存儲系統(tǒng)正逐步走向臺前，承擔起保障訓練穩(wěn)定性的重要職責。但評估智能訓練性能，僅關注速度已遠遠不夠。

例如，在MLCommons發(fā)布的MLPerf Storage v1.0基準測試中，主要考察的是存儲系統(tǒng)在智能訓練中是否具備足夠的吞吐能力和低延遲性能，以支撐高速智能訓練，避免“算力等存力”的性能浪費。

而在最新發(fā)布的MLPerf Storage v2.0基準測試中，則聚焦于訓練過程中的系統(tǒng)可靠性與中斷恢復能力，并首次引入了“Checkpointing（檢查點保存）”，模擬因硬件故障導致訓練中斷時，存儲系統(tǒng)在保存與恢復訓練進度中的響應速度和穩(wěn)定性。

這是因為隨著訓練規(guī)模越大來越大，訓練持續(xù)時間也越來越長，而如果沒有高效的檢查點機制，訓練可能需要反復回滾，大量算力與能耗將被浪費，自然會阻礙企業(yè)智能訓練的進程。

因此從MLPerf Storage v1.0到v2.0的變化可以看出，智能訓練對存儲系統(tǒng)的要求，已經從單純的“快”向“穩(wěn)”與“可恢復”轉變。

吞吐率和延遲依然重要，但系統(tǒng)的持續(xù)寫入能力、并發(fā)處理能力與故障恢復能力，正逐漸成為判斷一套存儲系統(tǒng)是否“能扛住訓練”的關鍵指標。

那么問題來了，企業(yè)應如何選擇能真正支撐智能訓練的存儲系統(tǒng)？

戴爾PowerScale穩(wěn)住算力，撐起智算未來

在存儲系統(tǒng)的性能、穩(wěn)定性、可擴展性成為智能訓練核心考量的當下，戴爾PowerScale憑借面向大規(guī)模并行任務設計的架構，已被廣泛部署于智能訓練與HPC環(huán)境中，尤其適配檢查點密集型場景。

點擊圖片了解產品信息

咨詢客服還可了解更多優(yōu)惠活動

首先，從架構來看，PowerScale的核心是一個由OneFS軟件驅動的智能架構，專用于管理分布式環(huán)境中的非結構化數據。

具體來說，包含以下三個基礎層：

客戶端訪問層

網絡文件系統(tǒng)的這一關鍵組成部分可確保從各種客戶端和工作負載對非結構化數據的無縫訪問?？蛻舳嗽L問層使用高速以太網連接并支持多種協議，例如網絡文件系統(tǒng)（NFS）、服務器消息塊（SMB）和Hadoop分布式文件系統(tǒng)（HDFS），簡化并統(tǒng)一了不同工作負載的文件訪問。

該層采用NVIDIA GPU Direct Storage、遠程直接內存訪問（RDMA）等前沿技術，為智能應用在GPU內存與存儲設備之間直接數據傳輸提供了便利。它還通過智能負載均衡策略優(yōu)化性能和可用性，同時利用多租戶控制確保安全性和量身定制的服務級別。

OneFS文件呈現層

該層統(tǒng)一了整個集群的數據訪問，讓用戶不再為數據的物理位置而煩惱。OneFS無縫集成了卷管理、數據保護和分層功能，簡化了各類存儲的大型數據卷管理。

憑借高可用性且可連續(xù)無中斷運行的特點，該層助力用戶輕松實現升級、擴展和遷移，為其提供一個可適配各種需求的智能、高效文件系統(tǒng)。

PowerScale計算和存儲集群層：

作為骨干層，該層提供節(jié)點和節(jié)點間的網絡元素，實現可擴展且高可用性的文件集群。從處理基礎容量和計算任務的經濟型小型集群，到可容納PB級數據的大型配置，PowerScale都能在不增加任何管理負擔的情況下，輕松擴展和自動平衡集群。

其次，PowerScale是業(yè)界率先通過NVIDIA DGX SuperPOD認證的企業(yè)級文件存儲解決方案，這表明其擁有強大的數據吞吐和并發(fā)能力，確保GPU在訓練和微調過程中始終保持“滿負荷”狀態(tài)，實現算力投資的最大化回報。

第三，PowerScale能夠高效處理大規(guī)模順序寫入，即使在高頻、高并發(fā)的檢查點寫入場景下，也能保持線性帶寬輸出，從而最大限度降低計算回滾帶來的時間與成本損失。

第四，PowerScale的架構支持無中斷擴展與升級。無論是增加節(jié)點以提升容量和性能，還是應用最新的軟件特性，都無需中斷現有訓練任務，滿足企業(yè)不斷發(fā)展的需求。

這一特性對于NVIDIA DGX SuperPOD等持續(xù)運行的訓練集群尤為關鍵。用戶既能保持訓練連續(xù)性，又能享受PowerScale技術的迭代進步。

結 語

隨著MLPerf在智能計算領域的廣泛應用，它不僅成為衡量訓練性能的關鍵工具，也為數據中心架構設計提供了統(tǒng)一、量化的參考標準。

作為面向高并發(fā)訓練場景構建的企業(yè)級文件存儲系統(tǒng)，PowerScale憑借出色的數據吞吐、恢復能力和架構可擴展性，成為支撐新一代智能基礎設施的可靠選擇。